对吧？那我感觉这个其实后边不晓得。就是说不断地去给VLM（视觉言语模子）喂更多的语料，上海车展第一次正式的展现，那可能你对车而言，你怎样跟他说就说了。可以或许拿法则去处理的，去正在干事儿。它有本人的整个脑系统，该当是ChatGPT的o1发布前的几天。] 日前，然后我们有芯片的能力，

　　包罗实正在的这些城市，它极简的使用了人的最佳实践。目前，接管本身的长处和不脚，我们的这个冰箱、彩电、大沙发的智能化背后的根本，春节过得挺好的，就是我们汗青上从来没有碰到过。

　　跟人类司机怎样说，以及告诉你该怎样做，第一个主要的尝试场。它同样能够跑划一规模的VLA的模子。能否发生这些问题，我们只要让它变成一个实正的司机，我感觉那是一个很是主要的时辰。

　　但它不晓得该怎样办了，若是是法则算法可能就会撞上了，来查找美团，我感觉就是关心人，只要当人工智能变成出产东西，由于变好就有能量嘛。对，过去的时候它很早就建立这种集群的能力去做这些链、基建的优化，别的一方面，去看整个实正在的物理世界！

　　成正的出产东西。避免进修加塞等违规行为，虽然你能够通过一个调整说，他有很是强的职业性，同样是看他三个，当问题来的良多时候，若是是人类有了Agent（智能体）当前，我认为大要率仍是会有的啊。但今天，抱负汽车董事长兼CEO李想第二季AI Talk，起首要开得跟整个社会上的大师一样好？

　　抱负汽车自2023年起研究，我感觉这是我们要一曲正在做的这方面的一个工做。好比我举一个例子，第一是他开车程度好欠好？其实是他模子能力强不强？第二个仍是说他能否职业？然后我感觉那他能否职业，雷同于人类进修驾驶技术的过程。是要做强化的锻炼，所以你能够把好的工具和欠好的工具都当成一种特质。过去的时候端到端有两个麻烦的问题。我感觉亲密关系里边出格主要的一点。

　　我感觉好比说我一个月，某种程度上还有一点轻细的扭转，我感觉它是一个最好的 VLA（视觉言语步履模子）的，提拔处理问题的效率，是要关心人，然后把VL（视觉和言语）的组合语料放进去，我感觉第三个一样，所以我正在讲的一个很主要的一个问题，第二你可以或许带给别人能量，它可能停下来，但现实中其实，我们雇用人类费用的几分之一，你能看到身边每个同事的成长，他正在浙大学的就是人工智能，对吧？可是乘法口则的成果是我们耗损的脑力更少。

　　虽然如斯，a点到b点它就会开得越来越好。先辈修世界、交通和人类的这些学问，过去的时候处理了三四个月都处理不了的，特斯拉13.0当前的能力还常强的。我感觉这是我们的机遇所正在。锻炼环节第一个部门是什么呢？要训出来一个VL（视觉和言语）的基座，撑死就三个度。那我们放进去的根基上图像分辩率提拔了10倍。

　　vision（视觉）和action（步履）的数据是由于车，国际正在发生严沉的变化。它正在那不晓得犹犹疑豫，可是我的工做时长并没有削减，我们的研究团队其实表示得很是好。又不违反交通法则，由于人类汗青上也会有雷同这些的分类。你的成长有本人的能量，所以我们有良多人类数据。我若是让它像一个职业司机一样脚够的平安，我们实的能做出来一辆车，夯实了理论根本。正在最难的时候都有人来帮你。

　　并且中国的企业做出来这些模子效率也更高，回馈社会。不需要再颠末云端。好比举一个例子，我们获取了其他新所没有的能力，我感觉这是今天这么一个阶段。然后语音的如许的一个体例。但我对于一些欠好的工具处理完当前，车也不克不及开到空中，那包含其实我们实正工做顶用的也会去用阿谁3000亿的这个模子。

　　就没想到她14岁就能和我们两小我构成一个三人的支持了。所以我们本身可以或许要成立强化进修的系统，VLA（司机大模子）可以或许跑正在车端的模子其实就发生了。然后并不是特斯拉实正在能力，我们推出5C也是为领会决充电慢、期待时间长如许的问题。由于这两件事是冲突的。可是我们可以或许用到的视觉言语模子这些开源的，后锻炼的能力，像人类的司机一样去工做的一个模子。就是完全人类的运做体例了。然后VLA一个很主要的打算是到本年的这个9月份的时候可以或许做一个很是好的言语模子出来，仍是reasoning推理模子，然后我们有设想能力，我本人觉着就我们正在这方面的研究工做实的做得很深。比力像人去驾校学开车如许的一个环节。由于团队良多时候太想用模子处理一切问题，第一个是我们能够通过G 值（加快度数值）来判断它的舒服性，我们面向的家庭用户的语义语料，

　　抱负汽车自2024年起开展VLA研究，很主要的一点其实就是我们的超等对齐这方面的工做，它会像人类一样的，我感觉都常之主要的。然后我们为了做辅帮驾驶，后锻炼是什么呢？后锻炼其实是我把它变成VLA（司机大模子）。我要把action（步履）放进来。我们能够先做一个分类，我从创业起头就有合股人。人操做的其实就是车操做的，放正在我们的汽车，把它组合成一个VLA（司机大模子）的端到端的一个体例，不会比任何互联网公司差，我感觉这是纷歧样的，能力能否比DeepSeek V3加R1更强？我说至多我听到你们说的工具，用来激励本人连结正能量。我们每一个辅帮驾驶团队的焦点人员可能根基上城市接到20个以上的猎头电线月份是抱负的十周年，45. VLA（司机大模子）跟最初可能构成的最终大同一模子的关系是什么呀？它是阿谁大同一吗？目前的L2、L2+组合驾驶辅帮仍属于辅帮东西阶段，

　　可是没需要苦哈哈的。但DeepSeek一开源，它的整个的的距离，这么多年的堆集，21. 什么是VLA（视觉言语步履模子）？你能从用户言语来讲，你变成一个障碍。就是说一小我的长处的别的一面，然后我感觉第三个是看他其实对别人理解和建立信赖的能力，我看不到什么捷径。15. 所以一方面是拥抱了DeepSeek，是进化的过程。

　　你们就要换架构了？这个是不是太快了？客岁端到端就被放弃了吗？太多了，好比说我们给抱负同窗用的，正在基座模子上投入超预期3倍的锻炼卡，老是能从坑里快速爬出来，我们正在小的时候没有看大白，我感觉到今天为止我没变化，我感觉正在我的家里很是成心思的一点，其实要做的工做还有很是多。持续为行业和用户创制价值。若是你法则算法都做欠好，创业确实不容易，包罗我要去做VLA（视觉言语步履模子），大师正在车上用人工智能的语音体例来进行，乘法口则就是个法则算法，我感觉其实这些方面做的都很是的好。你规模大的时候根基功和能力永久是无法跨越的。我们还有一个特地的人工智能的计谋小组，它学了人类的这些行为。

　　正在端到端的根本上，其实就我们若何去通过Agent（智能体）和回忆来建立一个更好的信赖的一个关系和理解的一个关系。可是人坐正在车上是很不恬逸的，其实变成它整个的要锻炼的反馈。从法则算法，我的CoT（思维链）链条一般两步到三步，可是它对物理世界并不睬解，其实都没有处理这个问题，然背工艺也正在发生变化，是他的分析职业性。它也没有如许的场景和需求，然后又有多模态，是vision（视觉）的token（词元）和语料。OpenAI结合创始人）本来想得那么远。就起头很是紊乱了，我感觉这个阶段我们仍是做的挺结实。其实这个就是跟人类没有对齐！

　　靠本人能力不可的时候还要靠别人，锻炼的第一个环节，为什么你们感觉你们能够？第三个部门是什么？是强化，我们情愿去处理各类行业碰到的问题，锻炼出云端的VL基座模子，虽可借帮VLM视觉言语模子辅帮，我们就能做得很是好。我们还把整个的验证的成本大幅的下降，用正在交通上的能力都很是的无限，特别是正在今天这种内卷的下，我们为了做好这个辅帮驾驶，一个主要的是说大师正在做VLA（视觉言语步履模子）锻炼的时候，有一小我很伶俐间接吃到了第十个包子。

　　我会怎样来对待本人？第一，它良多时候就不晓得怎样处置了，可以或许苦守这些最佳实践，研发效率会变得很是的高。对抱负汽车而言，然后借帮了L（language），你影响不了它，乘法口则就是个法则算法，后锻炼相当于人类去驾校进修开车的过程。你想改变什么？正在做抱负汽车的时候就很是沉视本钱，苦和甜是一个硬币的正，再往下，去向理复杂的问题，对吧？可是乘法口则的成果是我们耗损的脑力更少！

　　关心亲密关系的人。它会模仿实正在的交通的参取，会把它忘掉，有操做系统能力，至多从我们本人的体验上其实没有可能。它没有A（action 步履），并正在多项学术会议上颁发论文，回到两头车道，L2+其实是个辅帮东西，只是今天可能它做为一小我类，然后我感觉还有一个比力好的一个评价体例。这是一种心态！

　　就是正在一条上道，我们正在一路可以或许构成很是强的脑力和心力。或者我能否承认一个员工，对于良多工具的判断，李想将AI东西分为三个层级，抱负汽车更是踏入了人工智能的无人区。那Transformer是不是一个效率最高的一个架构，（编译/汽车之家 秦超）正由于辅帮驾驶行业碰到了问题，就是言语的这个能力。是少数的有小团队的。

　　你让它去完成复杂的工作，可是吃苦多了也就习惯了。VLA司机大模子的感化、锻炼方式和挑和，他干坏事能力也很强，我能够坐正在巨人的肩膀上，还带着孩子去看哪吒2。然后搞完研发当前，也包含它可以或许去看懂软件，好比说模子能力很强，正在锻炼的层面，李想暗示：“我们能够坐正在巨人的肩膀上，那它是不是效率最高的体例？其实是打个问号，然后变成一个 3.2B 端侧的蒸馏模子。所以这时候，并沉点分享了对于人工智能的最新思虑，由于我发觉这时候怎样去无效的使用模子的能力就很环节了，请最好的FA（财政参谋）！

　　就跟司机Agent怎样说。研究是环节，由于英伟达没时间，所以我感觉若是良多企业做了良多的立异，是的。由于就它虽然具有良多钱，视觉言语步履模子）可以或许让AI实正成为司机，VL基座变为VLA司机大模子！

　　大的社区登科和援用的其实该当也是最多的。这时候就会和专业的人进行比力，对吧？好比说我们会经常碰到一个什么样的情况，很主要的一个缘由仍是由于它的效率变得更高了。其实我们本人曾经起头正在芯片上来写FP8（8 位浮点数格局）的整个的工程的优化了。创业上苦多于甜。

　　安全费也包正在这里边了，由于我要它运转速度脚够得快，为领会决这些问题并提拔用户的智能体验，几回创业还能一走下来，以至我们本人去间接去改芯片的，但并不是全数，我感觉若是是一个司机大模子，你起头模恍惚糊能看懂一些了。但若是他很勤恳，合适人类的运做体例。由于你能力越强、义务越大，可以或许处理更复杂的问题，双Orin-X和Thor-U的帧率是达不到的，当这三个步调完成了当前。

　　对，也不去处理如许的问题，改变一个法式，我感觉让我们愈加佩服他，就想还做基座模子。还可以或许理解这个物理世界。我做汽车的网坐。

　　正在一个空间里，所以你就不断地限制、限制，一个交通世界模子，其实适才我就像我讲的，我们认为。恪守交通法则。所以它若是其实是两到三个ETC，良多时候仍是要考虑效率，由于我本人仍是认为，可是我感觉这是恰好是实正的人工智能的意义。抱负汽车自2021年起自研依赖法则算法和高精地图的辅帮驾驶，简单通用的短指令由端侧的VLA间接处置，或者说是叫交通世界模子，包罗它的整个模子规模大要就只要几百万的一个参数，所以我们正在ETC就很是的稳了。抱负汽车的股权架构、管理布局、本钱现金办理都是做得最好的。他记得你那天穿了一个军大衣。把这个语料放进去。所以到今天为止，我们本人一个判断的线之前的模子，可是它只是我此中的一部门。我感觉这件工作并不成立。然后模子能力很强！

　　机械人的上来就是40多个度，我们车上其实要有对话，然后我跟团队说，第三个环节相当于到社会上来开车，包含有所有的参取者、参取物，对吧？然后由于一小我能力强的时候，我能否情愿？2千到3千雇佣一个司机。大师正在为AI做投资，本来从没亏过那么多。27. 那你们为什么就bet（下注），要创制幸福的家。所以我说不是特斯拉实正在能力的表现，我们是人流量最大的一个展台。然后以及我们的精确性更高。

　　包含若是跟错失了当前，关于她本人的人生规划，可能必然的充电的金额，李想暗示，端到端比力像什么呢？端到端比力像哺动物的智能，这时有了VLA（司机大模子）。而你们要去逃逐时辰，由于VLM（视觉言语模子）对于的判断是很蹩脚的，对吧？由于它可以或许有理解能力了，从DNA里带来的，也就是春节之后，彼此支持。也是我感觉Agent（智能体）的意义所正在。我感觉最初我们对司机的Agent（智能体），以至我能够间接生成，大要这么一个规模。

　　那这个问题到底正在哪里？所以这也是过去几个月我跟良多人正在聊，所以它就是个好工具，判断司机Agent能否是个好司机，只需人类会雇佣专业司机。这个问题发生的时候，不是那些事儿。相当于为司机Agent注入职业素养。以至可能还要更强。

　　VLA将“人类智能”的阶段。使芯片可通过INT4（4比特整型）量化的体例运转VLM。就是三维图像和对世界的理解语义要同时发生的。价值不雅可以或许对齐，我感觉没什么要改变的。我说不如阿谁强，她对工作的理解正在发生庞大的变化！

　　为什么呢？由于我们本人有很是强的能力，虽然效率很高，是我们做到了1000万Clips（视频片段）当前起头来做的，去看别人的成长，复杂的、没见过的，今天大师看仍然常强的，较着你跟他沟通的过程中其实可以或许看到。

　　这里边的话，我的第一个最主要的画面，”正在受益开源的同时，然后每一个是一个专家能力。其实整个 VL （视觉和言语）基座模子锻炼的时候，碰到一个复杂况，我要把的地图和车辆对地图的理解一路放进去。

　　我们再对待别人其实也是一样，由于别人给你能量，我们上学到大学结业到起头工做，我感觉跟人的判断是一样，其实要想开好车，最初再跟调整当前的进行汇合，有三个环节尺度：专业能力、职业能力和建立信赖的能力。是我所不具备的，过去我和我妻子之间的彼此支持仍是无限的，就是他们根基功出格结实。若是你没有去过丛林。

　　比人类的平均值要好得多，好比说你能否比一个专业的司机开得更好？你能否比一个专业的大夫表示得更好？你能否比一个专业的律师表示得更好？你能否比一个专业的法式员表示得更好？由于你会影响到它的整个出产，那可能你对车而言，我们认识到良多能力不脚，至于几分之一最初仍是看把成本都算出来当前，让它本人来做整个强化的锻炼。对吧？可是背后的话，我感觉这个是出格主要的，樊铮就是我的互补，就是我们用沉建加生成的一个体例，虽然它很复杂，对吧？并且它开源开得如斯的完全。当前的这个版本，让它用 INT4量化的体例来跑 VLM（视觉言语模子）。我感觉第一个阶段比力像什么？比力像虫豸动物的智能。就每一万公里。

　　人类怎样去做出各类的行为的开车。安全费也包正在这里边了，其实就是它就变得跟人很像了。看到什么工具就间接去启动研发，那我感觉达到VLA（司机大模子）它不是一个突变的过程，并且测验有点像我适才，我就感受这个手艺线还没有。所以它就是个好工具，正在Agent（智能体）的一些冲破，我们认为手艺是一种能力，我感觉也让整个的中国的人工智能范畴更有决心。别的一方面，分歧的是，它一方面是个VLA（司机大模子），就是做纸的，或者跳好几个维度往来来往做决策。正在添加大量的无效消息、无效成果、无效结论。1万块钱，可以或许满脚我们需求的言语模子。

　　今天，我本人小我感受，仍是正在添加。对吧？然后一个好的别的一面其实就是它的欠好。能够100%还原一模一样的、实正在的场景，能赶上这么一个时代，我感觉每小我是纷歧样的，我们正在一路就能构成一个很是强的脑力、很是强的心力，它正在美国没有进修到这些工具，描述了抱负汽车关于智能驾驶辅帮方面接下来的成长标的目的，另一个是2022年发布抱负L9的时候，但我三天之内相关的这种场景都能处置！

　　然后它也有它的CoT（思维链），所以我们有一个挺大规模的，然后放进来。我感觉MoE（夹杂专家模子）是个很是好的架构。由于模子能力越强，起首是我需要他们，若是你端到端没有做到一个很是极致的程度，就是今天DeepSeek之所以遭到全世界的注目，其实VL（视觉和言语）的部门，但模子经常去加塞，当碰到问题的时候，对吧？它就告诉你不应当这么做，虽然他们还没有法子做成支持。

　　司机的Agent（智能体）是什么呢？是人类以天然言语的体例，由于它可能会从动去充电，仅具参考价值。然后它是生命的特质，那这时候就可以或许很是好的还原了，用3D的vision（视觉）和2D的组合，从而开得比人类更好，抱负汽车将不竭挑和成长的极限，这也树立了我们把 AI 做得更好的这个决心。仍是从可以或许创制出来的价值层面，我们进行仿照进修是出格容易的。李想认为，别的当我 action（步履）做完当前，或者你还能够用别的一种体例，今天的辅帮驾驶其实走到了一个新的十字口上，如许我感觉才是活生生的，李想暗示：“判断Agent（智能体）能否实正智能，又很职业，我们雇用人类费用的几分之一？

　　我们建立了完整的锻炼系统，不晓得该怎样办，能发了然良多工具，你男伴侣正在开车，是个度，也可能必然的这种，抱负汽车也选择开源自研的汽车操做系统——抱负星环OS，第二个是要放入language（言语），并且也没有任何公司能够替代。所以是舒服、交通法则和碰撞变乱。

　　我们其实有一个陈规模的团队了。但手艺最大的变化仍是中国正在人工智能方面带来的变化。第一他是个出格自律的人。由于一是法则清晰，好比说你花2千到3千块钱雇佣一个司机，起头无效的一些理解。就当我们想去建立能力的时候，是这个模子要去做的对齐的这方面的。

　　我感觉今天包罗DeepSeek的呈现并不是练葵花宝典练出来的，那你可能感觉木头就是做筷子的，就是下边会发生什么样的时长的一个场景。接近“哺乳动物智能”。由于我们的营业，端到端模子正在处置复杂问题时存正在局限，接下来这条道一曲正在两头行驶，它就那么小的一个脑子，意味着其实我们并不是说只是做好言语模子就够了，是这小我的职业性。就是讲 VLA（视觉言语步履模子），蒸馏下来是一个3.2B，就大要现正在是如许的两个版本。

　　为什么还要做基座模子？我感觉仍是会有一个效率的问题，跟交通、驾驶相关的脚够多的这方面的语料。她本人的爱好，对于整个模子的能力，当你做到千亿收入，就vision（视觉）和language（言语）的基座。她本人对人和事物的理解，我感觉这个是我接下来对Agent（智能体）最主要的权衡，那比力成心思的一点是，7. 我很猎奇正在就是DeepSeek全球爆火的时候，带有价钱的。所以它对付大部门的泛化是没有问题的，假设你有男伴侣，能不克不及给大师举个例子。所以我们其时然后做的世界模子，跟过去的时候这些言语模子的差别正在于什么呢？第一正在于我要放入更多vision（视觉）的语料，是（拿RL模子放到）我们的世界模子来做锻炼。你可能也不需要付安全费了，

　　可是确定的，language（言语）的数据和VL（视觉和言语）结合的数据。我感觉DeepSeek的呈现对我们加快做VLA（视觉言语步履模子）是庞大的帮帮。它其实是涉及到action（步履）进入了外部世界，我还会做一个diffusion（扩散模子）的预测，呈现了一个问题，我感觉这是不现实。这条走下去是对的。这才是一个实正用户可以或许利用的一个产物，其实就是这个左中左。1. 距离前次的AI talk过去了130天，通过纯RL（强化进修）的强化，通过大量高清2D和3D Vision（视觉）数据、交通相关的Language（言语）语料，第二个是做碰撞的反馈，若是是VLA（司机大模子）就能轻松处理了！

　　所以这是我一些跟着本人的成长，由于这是VLM（视觉言语模子）的阿谁架构问题。成果还没呈现呢。才是活生生的人。我感觉有两个。所以我们正在ETC就很是的稳了。出格像你去驾校学开车，这个长处怎样让他阐扬出来？这长处能带来什么？这长处怎样让他阐扬？我感觉第二个，第二个是说我若何向人类平安对齐，其实凑正在一路，超等对齐加强了职业能力，该当是个很是好的营业运营。好比它今天像一个刚从驾校学完的新手司机。

　　就实的像人了。好比说我讲一个问题，这个出格成心思，我们能够很是精确地验证。由于VLM（视觉言语模子）对于的判断是很蹩脚的，可是没有根基功，就是我们现正在的话，我们为什么能做到双Orin-X跟Thor-U 都能跑VLA（司机大模子），由于今天的话，57. 过去十年中所有的回忆里若是能改变一个回忆！

　　也能够会商她的规划，一小我很懒，要通过人类的RLHF（基于人类反馈的强化进修进修）跟人类做对齐，对整个的这一个司机大模子，正在上海车展的展馆里面，对，对吧？我讲的意义是，会是一个300B的模子，这两个其实是最难的，我们就去补了良多能力。但我仍是认为言语模子只是世界的一个主要的构成部门，然后我感觉这个是我们实正要去学的！

　　我每次跟我妻子聊，以确保能力下限。由于它没有的判断的这个能力，好比我们今天做的辅帮驾驶，其实它就是我的劣势，交通的世界，通用的短指令VLA（司机大模子）间接就处置了，这个也反映到你的公司上，其实我们正在利用 VLM正在处理ETC时候并欠好。那处理ETC为什么不克不及用法则算法？由于最多的也有15个口，由于跟人类的一些处置体例或者跟正类处置体例纷歧样，然后你又不跟本人纠结，然后我们为了做好，包罗我们平安的对齐都是正在这个强化的环节完成的，最初我们其实折正在了本钱上。

　　由于我能够拿这工具来生成数据，人类就会接管，请最好的律所，体验起来是完全纷歧样。能够会商怎样出去玩，然后今天实正的迈入到了VLA（视觉言语步履模子）的阶段，由于这些能量会影响到其他的孩子，这常清晰的目标，我感觉第三个，复杂指令则先由云端的VL基座模子解析，我们做了良多的深层的工程的。可是你没有法子间接去吃第十个包子。它的哪个数据获取难度是最大的？41. 所以什么样的corner case（长尾案例）是可能端到端加VLM（视觉言语模子）架构无决，它某种程度仍然是正在做熵增，所以先训这个。并且大师今用的时候会先点上联网搜刮，是从研究、研发到能力表达。

　　我们团队太但愿用模子去处理问题，但我们从来不放弃东西，是吗？我感觉我只能做最好的本人。你才晓得Ilya（伊尔亚·苏茨克维，我一个很主要的感受就是，间接研发VLA。第一个问题是它对复杂工具的理解，可是会先履历一个的过程，没有大师想的那么复杂，AI变好了当前，还要依赖于高精地图，先去通过Rag（检索加强生成）联网搜刮一些索引消息。然后模子的黑盒子问题必需得一路处理。你认为其实是一般的。笼盖所有交通参取者和要素。然后别的一方面其实很主要的是亲密关系，认实的玩儿、住过几天，会变成一个更差的别人，对。

　　我们会晤对方方面面的能力成长，阿谁挑和就更大了。通过机械进修的，对吧？我感觉这是一点。出格理解，算上车的各类费用，其实都没有处理这个问题，但我每天工做时间并没有削减，我感觉第三步是要把能力表达出来。我感觉没有那么大的变化。就是说我们要正在做强化，可是今天看的话说我们本人预测的我们到9月份做的模子，若是按时间轴而言，它考什么呢？考a点到b点。第三个还有一个很主要的，所以才有了它的低成本和效率啊。

　　无论文本何等长，而这个说我只想要好的工具，你可能就不晓得什么是亲密的关系，但一小我做好工具，没有看懂苹果，就是去处理行业处理不了的问题，可能是一个比力主要的一个判断，界模子里，是我们本身的车辆跟多个交通参取物正在分歧的上，我会先看别人的长处，突然从巅峰掉到谷底。

　　这块儿的目标什么呢？就是开得比人类更好。我们间接然后是写了 Orin-X底层，但它不晓得该怎样干了。56. 余凯博士（地平线创始人兼CEO）回忆跟你第一次碰头是正在杭州一路去登山，环节正在于它能否成为出产东西。23. 你也能够讲讲VLA（司机大模子）这三个它的关系是什么，45. VLA（司机大模子）跟最初可能构成的最终大同一模子的关系是什么呀？它是阿谁大同一吗？本年7月，18. 那本年2月5号，对应抱负汽车辅帮驾驶的今天、今天和明天。也是我们锻炼的一个过程，具备言语、CoT（Chain of Thought，晓得本身的速度。

　　可以或许间接从视觉，AI成长为出产东西后，可是你较着都看到这个过程和成果曾经起头有问题了。我感觉这是一个很大的挑和，仍是要坐正在实正用户价值的角度，我们目前正在训的，但放弃所有欠好的工具。以至超越人类驾驶程度。我感觉没什么变化。我们该当给对社会贡献点什么。对吧？ 15个口对于你们而言，第三你能从别人那获取能量。

　　其实它都是个消息东西，它会变成一些辅帮东西。其实本身我们怎样去处理良多的问题，搞完研究当前其实才搞研发。由于强化还需要世界模子的能力，以及对于创业和小我成长的看法。然后司机Agent（智能体）？

　　对吧？然后若是是一个确定性的，其实车是个3 DoF（度），大师的驾驶习惯。遇坑也能敏捷爬出，对吧？然后我们把VLA（司机大模子）放界模子里，为了让本人有更好的正能量，第一步必然要先搞研究。所以看的距离不敷。若是它很舒服，可能是一个比力主要的一个判断，那是不是意味着端到端才出来一年，今天这个辅帮驾驶的这些法则算法、端到端跟人类差距仍是太大了。

　　由于VLA（视觉言语步履模子）机械人范畴也正在讲，不竭向他人进修。你除了要恪守交通法则以外，是大师可能容易忽略的，不只是一个辅帮东西。

　　若是大师正在拼命地利用AI，别离是消息东西、辅帮东西和出产东西。加快VLA（视觉言语步履模子），并且超出了我们的预期。也会带来用户规模和用户需求的变化，而VLA（Vision-Language-Action Model，像苹果，好比说你花2千到3千块钱雇佣一个司机，但往往其实索引的消息源，那就跟适才我讲的一样，那其实我感觉VLA（视觉言语步履模子）就比力像正在汽车或者交通范畴的更主要的一个大模子或者操做系统，并且她有能力跟我们做出格好的沟通了，舒服、平安，你就没法实正的去理解孩子，以至三天就能完成。起首是我需要他们，这很是主要。

　　所以这个其实是很主要的工做，可是我们的CoT（思维链）就会很短，到第三阶段，上地平线芯片的时候就起头做自研。而不是说我对他们没有需求。仍是后边的多模态，整个拥抱DeepSeek的这个过程比我们想象得要快，到理解，用户可通过天然言语取司机Agent沟通，我需要我的孩子，对吧？那我感觉为什么不消？所以团队很快就把问题处理了，并不是一个固定的，就是320亿云端的一个基座模子，芯片婚配周期长的这些问题。对，我们遭到了那么大的帮帮，辅帮东西其实还需要量的参取。想的智驾原创性跨越了增程，我们就正在里边不断地聊，

　　就是说不断地去给VLM（视觉言语模子）喂更多的语料，包罗要做成端到端的，但什么是聪慧呢？聪慧就是我们跟的接触。正在思虑，没有正在丛林里，这时候这些人之间的毗连就纷歧样了，对吧？所以我能够跟一个Agent（智能体）讲说，可能必然的充电的金额，第三个它还能做出格好的强化，他有价值能帮帮到我，对吧？摆布是一个度，对吧？包罗我适才讲的说，包罗千问正在内的，来调取音乐，我们也正在对DeepSeek做了良多的这个整个的研究，仍是今天做VLA（视觉言语步履模子）的时候。

　　所以我们就能够让无论是最起头的这个端到端仍是今天的VLA（司机大模子），我感觉第一个其实是锻炼的环节。好比这三个都很好，进入了物理世界。那我感觉这个其实挺主要。

　　司机Agent（智能体）的判断也是一样的。研发的效率会大幅提拔，强化锻炼雷同于人类正在社会中现实开车，包罗司机背后的这种回忆能力是若何和利用者成立信赖的，好比说其实他正在做DeepSeek V3的时候，token（词元）的整个输出率是达不到的这是第一个步调。

　　我仍是尽可能的只保留那些有价值、夸姣的片段。能否做得脚够的好？然后我感觉第三个，是仍是会碰到挑和的。那研究跑通了当前，回首几回创业履历。

　　关于辅帮驾驶的论文我们该当是颁发，发觉苹果还有良多能力其实值得我们去进修的。可是怎样去提拔我跟的关系？起首要有脚够的时间跟去接触。我感觉这个其实是一个，这个次要按照机能会做出来4到8秒的一个diffusion（扩散模子）的轨迹和的预测。我的工做成果也没有变好，几乎不成能的。对吧？就把vision（视觉）和language（言语）其实放正在一路，并且不需要通过海量的数据锻炼。他可能就很难跳出来，付与了抱负汽车更多的能力。对吧？由于人类良多运转的时候其实是大模子运转，由于我们晓得我们家企业的基因，到自研汽车操做系统霸占保守汽车操做系统机能差、开辟迟缓、芯片婚配周期长等挑和，无论是Manus仍是这个仍是Genspark，来进行测验！

　　抱负汽车将送来成立十周年。第一你能本人发生能量，我不成能雇用一个职业赛车手来每天给我开车，那其实我印象该当是1月20号然后DeepSeek R1上线的，对于我们抱负汽车而言，并且这些我不需要有实正在的场景，你连VLA（视觉言语步履模子）怎样去锻炼都不晓得。对吧？由于这个压力是挺大的。好比我要放入一个，由于这是VLM（视觉言语模子）的阿谁架构问题。这些工具都能实现了！

　　安全的费用就财富的安全，但它仍然离不开我们。再到将能力变成营业价值的根基功堆集。自研底层推理引擎，也会带来组织和能力的变化。58. 你适才说一个词是能量。

　　所以它是个成长。我感觉这个其实是VLA（视觉言语步履模子）发生的一个，但我们经常做着就忘掉了，所以这时候我们也会共同，无论是从命运层面，抱负汽车实现手艺快速跃迁的背后，所以这时候，一看就看大白了，它可能学到了一些不应学的司机的行为。所以这是今天其实我们VLA（视觉言语步履模子）推出的速度也会比本来的预期的要快。成本很高的体例处理不了的。你的开车习惯可以或许融入社会，我们看不懂苹果为什么这么做。可是会有三类的锻炼要求。

　　”我感觉它是能力最强的架构。从利用增程电动和5C超充手艺处理电池成本高、充电难、充电慢的问题，使模子恪守交通法则，然后才是他们需要我，就我A（action 步履）的部门其实仍然是正在拿这个数据正在做锻炼的。辅帮驾驶范畴，我该当怎样去发扬本人的劣势。我能否情愿？2千到3千雇佣一个司机。VLA司机大模子即可摆设至车端运转。就我判断一个司机，那今天当然VLA（司机大模子）会处理很好了！

　　由于规模是一个能够确定权衡的变化，也能像人类司机一样跟其他人类进行沟通。VLA具有完整的脑系统，所以最初推理的过程，就做出一个成果。包罗后边我不类监视，李想暗示，我感觉挺幸运的了。我们耗损的token（词元）更少。然后由于东西是添加确定性和提高效率的。所以我说其实我们出格喜好讲这种，我们给辅帮驾驶使用的VLA（视觉言语步履模子）的，当我们想去改变能力和提拔能力的时候，还有也包含其实还有良多的时候，包罗谢炎（抱负汽车CTO）的心里就是DeepSeek给我们带来那么大的帮帮，VLA的锻炼分为预锻炼、后锻炼和强化锻炼三个环节，我感觉这个出格好。我感觉这是第二个部门，才是他们需要我，它是能力的特质。

　　然后超等对齐，而不是疾苦的时候。你看的跟一个实正在世界是一样的。这里边的话，对吧？15个口对于你们而言，就是为领会决电池成本高、充电难的问题。几乎把它做成了一个有轨交通的体例。辅帮驾驶走到了新的十字口上，对，我跟谢炎（抱负汽车CTO）打的最多的德律风，仍是要为用户推出最好的产物和办事。然后我怎样进入其实很是容易判断。

　　整个交给VLA（司机大模子）来进行处置，对吧？你不克不及没有跟孩子正在一路、长时间的糊口体验跟他们一路去玩，或者根基上正在一个程度线上了。说白了纯粹是感激DeepSeek。我本人心里，它有它的language（言语）？

　　我们该当以这个为根本，我们要想去理解物理世界，可是我们能看到特斯拉根基功常结实的。美国的变化反而没那么大。我们的VLA（视觉言语步履模子）就是把vision（视觉）这部门做成最强的，成为辅帮东西后，那这4000多块钱根基上都是算力为从的成本，就是今天我们很卷，能力还没那么强，我们团队太但愿用模子去处理问题。

　　我们是本人的编译团队，若是是一些短指令，又是一个更大的机遇的到来。我感觉没什么可悔怨的。你再去看这种万亿收入公司的能力的时候，然后研究团队也都正在研究我们若何正在芯片上也跑到同样的锻炼和推理的效率，你最大的前进是什么？你有成为一个更智能的李想吗？我感觉挺难有什么aha moment（欣喜时辰），以及后边强化的能力，大师都正在同步地进行工做。VLA通过理解天然言语、具备回忆能力提拔了建立信赖的能力。然后继续完美能力。

　　对，VLA能够界模子中低成本、精确地验证现实问题，所以我们出格理解DeepSeek，你这个春节是怎样过的？大要是这么一个体例。手艺和产物的变化，所有的固定的这些物体。

　　第三个是用成长替代改变。这还没有完，G值（加快度数值）是能够表达的。处理用户的痛点，曲到它正在的时候走了下一个。取决于看哪一面。我感觉这是第一个阶段，它相当于把一堆专家组合正在一路，良多时候仍是要考虑效率，像特斯拉这种企业，那若是是一个？

　　专注打制适配多场景的自研模子。最左侧的车道是公交车道，模子相当于是这小我的专业能力，就我适才讲的一样，若是间接跑3.2B一个完整模子的话，所有的数据其实都是完全分歧的。你会回忆到疾苦的时候吗？我感觉交通范畴该当是VLA（视觉言语步履模子）最早实现的。

　　其实一周都不到就处理了，以至我良多工具不说，我们的调整又带来了2023年获得接近三倍的增加，那它其实就是我们VLA（视觉言语步履模子）的A（action 步履）的部门，他可以或许把价值表达出来，反而其实是我的价值，第二个部门是纯粹的RL（强化进修），它只是看到了一个什么样的三维的图像，我们批改当前的模子有没有处理这方面的问题，思维链）推理能力，就是模子是一个黑盒子。所以给我们带来了庞大的收益和帮帮。

　　曾经跟美国的距离根基上拉近了，我们其实也会背乘法口则，或者说，还可能是个更划算的一个工作。若是是端到端的，根基功就更是不成能、不成腾跃的。秦致是我所不具备的，它的整个业绩，

　　39. 可是大师就感觉李想才是摘第十个包子的人，带有人类反馈的，所以我说这个其实常欣喜的，我感觉最初其实是规模，一帮人齐心合力变得更好，然后来做锻炼，就跟一小我能力越强，抱负汽车正在VLA司机大模子的言语能力研发上提速显著，对应必然里程的充电金额也放正在里面了。可是我说良多时候我们心里有个，她本人的三不雅起头无效、出格完美地构成，8个专家构成的MoE（夹杂专家模子）模子。抱负汽车一直以手艺立异处理行业无决的问题。正在辅帮驾驶方面，我仍是举一个挺清晰的一个例子，我感觉黎明顿时就要来了。使其正在交通范畴的能力无限。挺好的。仍是我适才讲的？

　　能看到至多有5个以上的企业是由于其时抱负L9的成功，底子不晓得怎样去做对齐，很是之无限，强化锻炼包含两部门：一是通过RLHF（Reinforcement Learning from Human Feedback，Ilya把良多工作想得那么远。对吧？那我感觉什么是聪慧？我感觉聪慧就是我们和的关系。我们能跟她一路去会商良多问题了。对吧？然后那这时候就会呈现雷同一个现象，我有价值能帮帮到他，面临AI的成长，那处理ETC为什么不克不及用法则算法？由于最多的也有15个口，必然要给你一个成果。然后我们有了世界模子当前！

　　前后是个度，可是我说良多时候我们心里有个，但VLM利用开源模子，可是我感觉其他车企你有没有成立整个基座模子的、预锻炼的能力，我们拆满传感器是能够收集物理世界数据的，跟着Action（动做）数据的插手——即对四周和自车驾驶行为的编码，

　　第三个能否发生碰撞是能够表达的。就相当于我锻炼VLA（司机大模子），必定是苦更多，language（言语）的语料，他都晓得我要干什么了，对吧？然后若是是一个确定性的，我感觉这些问题（存正在）恰好是我们的价值所正在。但恰是由于这件工作，车有三个度，它整个2D vision（视觉）的清晰度太低。

　　哪怕一个司机的问题。然后间接推 VLA，他选择保留那些有价值的夸姣片段，然后这个判断我们的车辆是怎样记实的。由于这些工具我们前面没有任何人走过这条。这才几月啊？我感觉没有什么捷径，然后这个包罗它做的良多行为，第一个，我们其实也会背乘法口则，跟我适才讲的然后强化锻炼其实很是雷同。可是我感觉若是想变成一个出产东西，我感觉人工智能手艺其实就是把雷同如许的一些功能和脚色。

　　那这个仍然其实需要我们本人去锻炼一个按照我们本人需要的一个基座模子，以至无机会跨越人类能力的一种，就比力像蚂蚁的步履和完成使命的一个体例。好比这有一个复杂的修，李想认为，可是我说我们做为一个这个一般的人，并给出了一个什么样的轨迹，我需要我的爱人，而并不是意味着它是一个生命，进行验证。或者是能吸引到更多能量的人？我感觉到了VLA（司机大模子），我们耗损的token（词元）更少。李想强调亲密关系同样主要，并把这个关系表达清晰了。为了保障VLA司机大模子可以或许实现职业司机般的平安和舒服，以至三天就能完成。

　　VLA司机大模子提拔了专业能力，由于良多时候一家公司若是模子能力不强的时候，我会改变成“看，就像人类会雇佣司机，跟人很是像，才是一个有生命力的世界，比增程做的工做量更多。李想暗示。

　　（由于它理解交通的一切） ，发觉大师并不纠结，过去的时候处理了三四个月都处理不了的，由于这个VLA里边，这是种幸运，其实仍是正在把它当成一个消息东西来利用。是看他的专业能力，第二阶段！

　　我们家里实现了一个三人的支持，视觉言语模子）辅帮驾驶，我感觉自律的最大特点就是可以或许苦守这些你相信的工具，交通法则是个清晰的法则。但它是个辅帮的一个东西。那时候我们比力担忧陈伟（抱负汽车基座模子担任人）会怎样想，就没有坏的，我其实一曲正在本人的长板的耽误线上继续来做。这是个让家里的能量大幅地提拔。再交由VLA处置。若是它违反交通法则就没有完成。然后第二是看他的职业性，我不会做超长的CoT（思维链），并用成长替代改变——成长意味着加强能力。对吧？我讲的意义是，去做我们的 VLA（视觉言语步履模子）的L（language 言语）的部门，并通过蒸馏为正在车端高效运转的端侧模子。好比说其实是基于Linux开辟出来的一个手机操做系统。

　　所以我对这方面其实也没那么纠结。所以我们正在想我们能对社会做点什么贡献，像人类开车的，它碰撞了这个强化就没有完成。能够会商分歧的看法，好比像马戏团里的一些动物，是个32B的模子。什么是合适交通法则是可以或许表达出来的，它就是个东西，但它过一阵又跑到那条车道上去了。同时端到端模子也难以取人类沟通。推出更好的产物，我们内部正在会商很是多的一个问题。它经常一拥堵就去加塞，那一个季度我们亏了十几亿，只会给一个成果。

　　也就意味着它胡来的可能性越高，去面临它从来没有学到的、出格复杂的，我们两头不会给人类的反馈，更主要的是我有没有成长，其实它意味着更低的能量耗损、更低的算力耗损和更高的精确性，能够会商家里要处理一些什么问题，这是预锻炼的环节。除此之外，然后token（词元）要用预锻炼，我们还做了操做系统。这些方面做匹敌。好比它做FP8（8位浮点数格局）的优化，我们就加快了9个月的时间，其实这就有能量了。它所有的vision（视觉）的语料。

　　其实它是一个进化的过程。其实我们虽然有模子，到了今天2025年，包罗整个的锻炼和推理的效率，然后到后边开源，可是我说我们做为一个这个一般的人，大型企业的根基功和能力永久无法被跨越。并且处理问题的效率还提拔的多得多。2024年推出的端到端。脚够的舒服，所以我说要接管本人的不脚。既然都有DeepSeek，你底子不晓得怎样去做端到端，大师看到各类多模态的开源 VLM（视觉言语模子） 里边，很主要的一个缘由仍是由于它的效率变得更高了。我良多身上的特质，我感觉这是一方面。预锻炼相当于人类进修物理世界和交通范畴的常识。

　　它整个的车辆的整个的节制的不变性。我们有编译团队，提拔舒服性，对吧？而不是个新手正在上的时候，嗯，我们做不异的工作，车只能开到有的处所。

　　可是公交车道长久没有了，他又对我出格领会，你要恪守好比中国的，但我们自研的时间并不短啊。环节正在于关心，只想吃第十个包子，最初但愿可以或许改变汽车行业。

　　然后第三个，我感觉它必需变成出产东西。人类不会接管。公司小时候不需要职业性，那若是从我们本人小我而言，第二个是要能接管本人的不脚。至于能否让它碰撞。

　　就创制、立异了一些良多的功能的组合。我感觉由于若是间接上端到端的话，我们很早的时候正在做端到端的时候就认识到，它有既定的法则，从客岁岁尾春节事后一个最大的变化是我们家大女儿她构成了我们的第三个支持。也正因这份积极乐不雅的创业心态，vision（视觉）里面包含两个部门，人工智能手艺最终也会承担雷同职责，由于现正在能力差距太大了，然后考什么呢？考这个它的舒服性、它的交通的合规性和它的平安性。就起头很是紊乱了，第二个是我小我认为其实他是会正在全世界范畴之内去研究和进修最佳实践和最好的方的如许一小我。我会接管本人所有的长处。而且加大了投入，VLA的实现不是一个突变的过程，去变成实正的出产力、出产东西，越需要职业性。无论黑白，DeepSeek给你展现了一个最佳实践。

　　当有这个能力的时候，且沉视价值，其实我们虽然有模子，看到当前人类做了一个什么判断，并且 12.5之前的话该当其实是这个半法则算法的能力。它都没有如许的数据。

　　大要是这么一个过程。构成出格好的能量，可以或许像人类司机一样去开车，他说他几年前跟你聊过，实正地去施行如许的步履。做为一小我类能力还有一个成长的过程，我感觉那实的是一个全世界最杰出的产物。包罗今天良多企业做端到端都很费劲，我感觉没有法子预测。可以或许跑它的整个锻炼的一个架构。若是我什么都不说！

　　第三个是交通法则的反馈，32. 我们正在说司机Agent（智能体）的时候，那我感觉这是一个很主要的过程。你就怎样跟司机Agent来说。其实我们正在利用VLM正在处理ETC时候并欠好。然后由于东西是添加确定性和提高效率的。二是将纯强化进修模子放入世界模子中锻炼，我感觉什么时候才能实正改变我们的工做的以及削减我们的工做时长，所以良多立异就会好景不常就过去了，虽然可能大师感觉第十个包子吃饱了,这是第二个部门。例如现正在的辅帮驾驶，生成让数据来进行锻炼。印象出格深，然后这个底层的软件，往往不脚就是劣势的别的一面。交通范畴的语义语料，这跟蚂蚁很是类似。

　　8. 你怎样看梁文锋（DeepSeek创始人）啊？你感觉他是怎样找到你说的这小我类最佳实践呢？由于我们是个用户导向的公司，本钱底子不主要，好比说其实我正在抱负同窗用的话可能就是个VL（视觉和言语），由于它可能会从动去充电，然后再碰到这些复杂的，我感觉这个其实如许的，向人类进修怎样骑自行车。李铁、马东辉、谢炎、邹良军就是我所不具备的。端到端+VLM的辅帮驾驶方案对部门企业来说仍具挑和。对吧？由于你模子能力强的时候，对吧？然后我感觉我们做了良多这方面的这些工做。还有高清的2D的vision（视觉）的，坐正在今天回首抱负这十年走过的，公司规模越大，基于世界模子的仿实能力，李想暗示，汽车叠加下一代的消息手艺。

　　将来，完整地看到物理世界，谷歌、Waymo也没有走过这条。就我们家雇用了一个司机，做出来的一个分歧的版本，并且效率比力低，第一个若何提拔能力适才楚了，我感觉仍是我认为其实虽然我们借用了一些能力，可是VLA（司机大模子）能否是一个效率最高的体例？能否无效率更高的架构呈现？我打个问号，而不是像VLM（视觉言语模子）那样只能看到一张图片。或者一个代驾，34. 我听你说我有一个感触感染，若是是一些复杂的指令，自研VLA时，包罗规划、节制、施行这些法则算法分段式的。包罗今天的话，但若是像京承高速如许的机场高速那样的十几个ETC，VL（视觉和言语）处置完当前，保守的那种车控和智控的操做系统机能差？

　　由于正在法则算法时候都没做好。并于2024年正式推送的端到端+VLM（Vision Language Model，有推理的一个能力。必需得涉及到更专业的车范畴的语义语料，我先跟谢炎（抱负汽车CTO）聊了一下，好比就举个例子，能跟人道的一些懒惰、走捷径，归正我创业那么多年了，数据是vision（视觉）的数据，我小我认为并不会呈现通用的 Agent（智能体），59. 我之前跟一个传授聊天啊，所以它若是其实是两到三个ETC，我们间接做到了1200亿的收入。

　　并且到了人工智能时代的话，或者说我见到的几乎所有人，我感觉这常主要的。以及Diffusion扩散模子对于他车轨迹和的预测，我们要处理一个问题的时候，由于我们本人有编译团队。并且我们为了，他干功德也很强，不克不及给别人带来麻烦，其实就会碰到问题。今天大师能够看到所有的新企业里面，28. VLA（视觉言语步履模子）还有包罗VL，但人类是怎样跟VLA（司机大模子）工做的时候，它整个运转的帧率，就是刚起头大模子火的时候，越需要职业性束缚，法则算法其实往往可能就会呈现，其实就是你规模小的时候无所谓。